$\ell_p$ 松弛范数支持向量数据描述
机器学习
2022-03-18 v1
摘要
支持向量数据描述（SVDD）方法作为单类分类的事实标准，其学习任务在于推断最小超球面以包围目标对象，同时通过 范数惩罚项对任一误差/松弛进行线性惩罚。在本研究中，我们将该建模形式推广至一般的 范数（）松弛惩罚函数。借助 松弛范数，所提方法能够针对松弛构建非线性代价函数。从对偶问题视角看，该方法将诱导稀疏性的对偶范数引入目标函数，从而具备更高能力以调适于问题固有的稀疏性，提升描述能力。基于 Rademacher 复杂度的理论分析从参数 的角度刻画了所提方法的泛化性能，而在多个数据集上的实验结果证实了该方法相较于其他替代方案的优越性。
引用
@article{arxiv.2203.08932,
title = {$\ell_p$ Slack Norm Support Vector Data Description},
author = {Shervin R. Arashloo},
journal= {arXiv preprint arXiv:2203.08932},
year = {2022}
}